本文主要是介绍data augmentation and dropout，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
在深度学习方法中，更多的训练数据，意味着可以用更深的网络，训练出更好的模型。
方法：
（1）将原始图片旋转一个小角度
（2）添加随机噪声
（3）一些有弹性的畸变（elastic distortions）
（4）截取（crop）原始图片的一部分。
Dropout则是通过修改神经网络本身来实现的，它是在训练网络时用的一种技巧（trike）。它的流程如下
假设我们要训练上图这个网络，在训练开始时，我们随机地“删除”一半的隐层单元，视它们为不存在，得到如下的网络：
保持输入输出层不变，按照BP算法更新上图神经网络中的权值
以上就是一次迭代的过程，在第二次迭代中，也用同样的方法，只不过这次删除的那一半隐层单元，跟上一次删除掉的肯定是不一样的，因为我们每一次迭代都是“随机”地去删掉一半。第三次、第四次……都是这样，直至训练结束。
以上就是Dropout，它为什么有助于防止过拟合呢？可以简单地这样解释，运用了dropout的训练过程，相当于训练了很多个只有半数隐层单元的神经网络（后面简称为“半数网络”），每一个这样的半数网络，都可以给出一个分类结果，这些结果有的是正确的，有的是错误的。随着训练的进行，大部分半数网络都可以给出正确的分类结果，那么少数的错误分类结果就不会对最终结果造成大的影响。
这篇关于data augmentation and dropout的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
